Graphene‐Coated Spandex Sensors Embedded into Silicone Sheath for Composites Health Monitoring and Wearable Applications
Notice bibliographique
Résumé
This study presents a low-cost, tunable, and stretchable sensor fabricated based on spandex (SpX) yarns coated with graphene nanoplatelets (GnP) through a dip-coating process. The SpX/GnP is wrapped into a stretchable silicone rubber (SR) sheath to protect the conductive layer against harsh conditions, which allows for fabricating washable wearable sensors. Dip-coating parameters are optimized to obtain the maximum GnP coating rate. The covering sheath is tailored to achieve high stretchability beyond the sensing limit of 104% for SpX/GnP/SR sensors. Adjustable sensitivity is attained by manipulating SpX immersion times broadening its application for a wide range of strains: Gauge factors as high as two orders of magnitude are achieved at tensile strains greater than ≈40%. The fabricated sensors are tested for two applications: First, the SpX/GnP sensors are integrated into composite fabrics (with no negative impact on the structural integrity of the part) for screening the yarn displacements, resin flow, solidification during the hot press forming process, and structural health monitoring under mechanical loads with minimal cross-sensitivity to temperature/humidity. Second, the capability of SpX/GnP/SP sensors in detection of a wide range of bodily motions (from the joint motion to arterial blood pressure) is demonstrated.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».